有过计算机视觉和影像组学数据分析经验的朋友，对感兴趣区域（region of interest，ROI）不会感到陌生。感兴趣区域就像它的字面意思一样直白，哪些区域您比较感兴趣？空间表达数据也允许我们在空间信息中找出这个ROI了。那么，在我们空间表达数据中的ROI是什么，有什么意义，如何确定？确定之后如何分析？这些有意思的议题，我们会在这篇文章中探讨。
什么是ROI
在机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域，ROI。在Halcon、OpenCV、Matlab等机器视觉软件上常用到各种算子（Operator）和函数来求得感兴趣区域ROI，并进行图像的下一步处理。这像我们在拿到分群或者富集结果之后说的【您感兴趣的亚群或你关注的通路】是一个意思，就是在一个切片上，哪个区域是您比较感兴趣的？没有无缘无故的兴趣，这个区域往往更接近我们的研究目的。而ROI的目的论本身，也反映了在选定之前它不是一个恒定的区域，如在第一阶段不是ROI的区域，下一阶段可能又是ROI了。所以它是注意力聚焦的一种，虽然我们希望在空间上看到异质性，但是有时候为了应用特定的模型不得不需要一个相对均一的背景。在我们单细胞转录组中，ROI可能是：
- 空间上的某亚群
- 亚群的边界区域
- 某基因（集）集中表达的区域
- 轨迹及其沿途区域
- H&E（或荧光） 有特征的区域
如何寻找感兴趣区域（ROI）
基于以上可能，我们利用现有的知识储备，可以寻找ROI的方法有：
- 聚类：找出亚群，根据定义ROI一定是某个区域
- 差异分析或空间高变基因：某基因（集）集中表达的区域
- 通路富集：某通路的基因（集）集中表达的区域
- 图像特征：也就是计算机视觉上的ROI，如可以用imageJ来手动划定区域。
- 空间关系：其实空间上划分出来的区域就是ROI字面意思所定义的。
我们不无惊喜也不无悲伤地看到：寻找感兴趣区域并不是难事，难的是寻找兴趣。我们不禁要问：我们的兴趣在哪，是空间上的一片区域吗？这只是形式，我们感兴趣的是这片区域的特征（features）。不难发现所有识别ROI的方法都是在寻找某个特征的集合，所以ROI除了字面意思之外，还有特征选择的意思。故此，当我们谈ROI的时候我们谈的是对特征的选择。而兴趣是和期望联系在一起的：与期望相符或相悖都会引发人类的兴趣，比如你看到某些基因就是在右下角某区域表达，而之前的认为是他们应该均匀表达的，好奇心重的人就会产生一种叫做兴趣的东西。所谓格物致知，首先要有对物的格才有知。
寻找出ROI之后
寻找ROI只是手段，不是目的，我们的目的是发现有可解释的生物学规律。当然，我们欢迎做计算机视觉的朋友来帮扶我们更好地寻找ROI，让边缘更加清晰，让区域的特征更加明显。如现在有一种技术叫感兴趣区域池化（Region of interest pooling，RoI pooling），我觉得把空间上基因表达作为特征（相当于一个像素点下有近两万个基因表达），RoI pooling 可以提供一种手段来训练出目标特征（班门弄斧了啊）。目前的做法是先找区域（分群）再赋予群的意义，为什么不能先有意义再寻找区域呢？
往大了说，其实一个切片本身就是一个ROI，不感兴趣谁花大贵价钱做空转呢？
这里我们举一个例子来说明寻找出ROI之后如何与传统的分析工具结合到一起。ROI与另一个ROI的差异分析当然可以的，但是略显单薄。现在我们选定了一个ROI，这个ROI特异性表达500个基因，那么这些基因有什么特点？聪明的，你已经意识到可以做WGCNA。之前拿那么多基因一起做WGCNA，其实它们在空间上根本就没有共表达（就是有的在右上角有的在左下角表达），这样找出来的模块在空间上可以得到印证吗？至少，RIO和WGCNA是可以结合的吧。目前还没有人用基因的WGCNA寻找空间高变基因。
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2555436/
https://github.com/edsgard/trendsceek
Identification of spatial expression trends in single-cell gene expression data
Region of interest analysis for fMRI